Sob o efeito pistão do túnel, o fluxo de ventilação não organizado (UVA) que atravessa as portas da plataforma impacta significativamente a carga térmica das estações de metrô. A previsão precisa do UVA é uma condição fundamental para o design eficiente em energia dos sistemas de ventilação e ar condicionado (HVAC). Propõe-se uma estrutura inteligente de previsão que integra a dinâmica dos fluidos computacional (CFD) parametrizada e o aprendizado profundo, baseada nas equações de controle de fluidos incompressíveis e no modelo de turbulência k-ε. Simulações numéricas transientes bidimensionais foram realizadas usando o ANSYS Fluent, e os resultados da simulação foram usados como conjunto de dados para treinamento do modelo. Introduz-se um novo parâmetro adimensional, a razão de distância relativa (RDR), para caracterizar o efeito de acoplamento entre o comprimento do trem e o espaçamento do poço de ar pistão; as condições de simulação abrangem diferentes taxas de obstrução, RDR e 4 estados operacionais do poço de ar pistão, e os resultados da simulação foram validados por medições de campo (RMSE de 0,062 m/s, MAPE médio de 34,8 %, coeficiente de determinação R²=0,939). Com base nisso, foi construído um modelo condicional de codificação e decodificação para prever a série temporal completa da velocidade do vento UVA a partir de parâmetros de design estáticos. O modelo apresentou excelente desempenho de generalização, alcançando alta precisão para 4 condições não treinadas (R²>0,94, MAPE<22%) e podendo capturar efetivamente os picos transitórios da velocidade do vento durante o funcionamento do trem.

estação de metrô; fluxo de ventilação não organizado; efeito pistão; simulação CFD; aprendizado profundo; modelo codificador-decodificador